Capitolo 12 La regressione lineare semplice

Транскрипт

1 Levine, Krehbiel, Berenson Statistica II ed Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova Docenti: Prof. L. Salmaso, Dott. L. Corain Argomenti Regressione e correlazione Regressione lineare semplice Il modello di regressione Equazione della retta di regressione Misure di variabilità Assunzioni del modello Analisi dei residui Inferenza sull inclinazione della retta Le trappole della regressione I calcoli della regressione lineare semplice

2 Regressione e correlazione Esistono molti metodi di inferenza statistica che si riferiscono ad una sola variabile statistica. Obiettivo della lezione: studio della relazione tra due variabili. Tecniche oggetto di studio: regressione Costruire un modello attraverso cui prevedere i valori di una variabile dipendente o risposta (quantitativa) a partire dai valori di una o più variabili indipendenti o esplicative correlazione Studio della associazione tra variabili quantitative Regressione lineare Solitamente nel modello di regressione si indica con Y la variabile dipendente X la variabile esplicativa REGRESSIONE LINEARE SEMPLICE MULTIPLA Una sola variabile esplicativa X Diverse variabili esplicative (X 1, X 2,,X p )

3 Il modello di regressione Per studiare la relazione tra due variabili è utile il diagramma di dispersione in cui si riportano i valori della variabile esplicativa X sull asse delle ascisse e i valori della variabile dipendente Y sull asse delle ordinate. La relazione tra due variabili può essere espressa mediante funzioni matematiche più o meno complesse tramite un modello di regressione. Il modello di regressione lineare semplice è adatto quando i valori delle variabili X e Y si distribuiscono lungo una retta nel diagramma di dispersione. Il modello di regressione L inclinazione β 1 indica come varia Y in corrispondenza di una variazione unitaria di X. L intercetta β 0 corrisponde al valore medio di Y quando X è uguale a 0. Il segno di β 1 indica se la relazione lineare è positiva o negativa. Esempio di relazione lineare positiva

4 Il modello di regressione La scelta del modello matematico appropriato è suggerita dal modo in cui si distribuiscono i valori delle due variabili nel diagramma di dispersione Il modello di regressione Esempio: un produttore desidera ottenere una misura della qualità di un prodotto ma la procedura è troppo costosa. Decide allora di stimare questa misura (score 2) a partire dall osservazione di un altra misura (score 1) più semplice meno costosa da ottenere. Unità di prodotto Score1 Score Score Score

5 Equazione della retta di regressione Si dimostra che sotto certe ipotesi i parametri del modello β 0 e β 1 possono essere stimati ricorrendo ai dati del campione. Indichiamo con b 0 e b 1 le stime ottenute. La regressione ha come obiettivo quello di individuare la retta che meglio si adatta ai dati. Esistono vari modi per valutare la capacità di adattamento Il criterio più semplice è quello di valutare le differenze tra i valori osservati (Y i ) e i valori previsti (Ŷ i ) Equazione della retta di regressione Il metodo dei minimi quadrati consiste nel determinare b 0 e b 1 rendendo minima la somma dei quadrati delle differenze tra i valori osservati Y i e i valori stimati Ŷ i. I valori b 0 e b 1 sono chiamati coefficienti di regressione.

6 Equazione della retta di regressione Nell esempio precedente in cui si intendeva prevedere il valore di una misura di qualità score2 in funzione di un altra misura score1, applicando il metodo dei minimi quadrati si ottiene la seguente retta di regressione: Score y = x Score1 Tramite l equazione score2 = 1, ,2177 score1 è possibile prevedere i valori di score2 in funzione di quelli osservati di score1. Se ad esempio osservassimo un valore di score1 pari a 4,5 il valore stimato di score2 sarebbe 2,1. Risulta: b 1 = 0,2177 b 0 = 1,1177 Perciò se aumenta di un unità il valore di score1, il valore previsto di score2 subisce un incremento di 0,2177. Se score1 assume valore 0, il valore previsto per score2 è pari a 1,1177. Equazione della retta di regressione La previsione di un valore di Y in corrispondenza di un certo valore di X può essere definita in due modi, in relazione all intervallo di valori di X usati per stimare il modello: interpolazione: se la previsione di Y corrisponde ad un valore di X interno all intervallo estrapolazione: se la previsione di Y corrisponde ad un valore di X che non cade nell intervallo Nell esempio precedente l intervallo per la variabile indipendente (score1) è [2,2; 8,5]. Calcolando la previsione di score2 per un valore di score1 pari a 4,5 abbiamo effettuato un interpolazione. Se volessimo calcolare la previsione di score2 in corrispondenza del valore 9 per score1, faremmo un estrapolazione.

7 Misure di variabilità Le seguenti misure di variabilità consentono di valutare le capacità previsive del modello statistico proposto. Variabilità totale (somma totale dei quadrati) variabilità di Y Variabilità spiegata (somma dei quadr. della regress.) variabilità di Ŷ Variabilità non spiegata (somma dei quadr. degli errori) variabilità dell errore Misure di variabilità

8 Misure di variabilità Il coefficiente di determinazione è una misura utile per valutare il modello di regressione Esso misura la parte di variabilità di Y spiegata dalla variabile X nel modello di regressione. L errore standard della stima è una misura della variabilità degli scostamenti dei valori osservati da quelli previsti. Nell esempio precedente risulta r 2 = 0,96 e S YX = 0,13. Le assunzioni del modello Distribuzione normale degli errori: gli errori devono avere, per ogni valore di X, una distribuzione normale. Il modello di regressione è comunque robusto rispetto a scostamenti dall ipotesi di normalità Omoschedasticità: la variabilità degli errori è costante per ciascun valore di X. Indipendenza degli errori: gli errori devono essere indipendenti per ciascun valore di X (importante soprattutto per osservazioni nel corso del tempo)

9 Le assunzioni del modello = + Analisi dei residui Il residuo e i è una stima dell errore che commetto nel prevedere Y i tramite Ŷ i. Per stimare la capacità di adattamento ai dati della retta di regressione è opportuna una analisi grafica grafico di dispersione dei residui (ordinate) e dei valori di X (ascisse). Se si evidenzia una relazione particolare il modello non è adeguato. Nell esempio a lato il modello di regressione lineare non sembra appropriato. Il grafico a destra evidenzia lo scarso adattamento ai dati del modello (lack of fit). Quindi il modello polinomiale è più appropriato.

10 Analisi dei residui Valutazione delle ipotesi: Omoschedasticità: il grafico dei residui rispetto a X consente di stabilire anche se la variabilità degli errori varia a seconda dei valori di X Il grafico a lato evidenzia ad esempio che la variabilità dei residui aumenta all aumentare dei valori di X. Normalità: rappresentazione della distribuzione di frequenze dei residui (es. istogramma) Indipendenza: rappresentando i residui nell ordine con cui sono stati raccolti i dati emerge un eventuale autocorrelazione tra osservazioni successive. Analisi dei residui Dall esempio precedente risulta che i residui non si distribuiscono in modo regolare al variare delle stime della variabile dipendente (e quindi anche al variare della X). Il modello quindi non è ben specificato. Il grafico dei residui rispetto al tempo non sembra evidenziare l esistenza di autocorrelazione dei primi. Residuals Versus the Fitted Values (response is Score2) Residuals Versus the Order of the Data (response is Score2) Residual -0.1 Residual Fitted Value Observation Order

11 Analisi dei residui Per quanto riguarda la normalità dei residui, l istogramma delle frequenze e il normal probability plot ci portano ad escludere che la condizione sia verificata. Histogram of the Residuals (response is Score2) Normal Probability Plot of the Residuals (response is Score2) Frequency 2 Normal Score Residual Residual Inferenza sull inclinazione della retta di regressione Possiamo stabilire se tra le variabili X e Y sussiste una relazione lineare significativa sottoponendo a verifica l ipotesi che β 1 (inclinazione della popolazione) sia uguale a zero.

12 Inferenza sull inclinazione della retta di regressione Se ad esempio α=0,05 e n=14, allora le regioni di accettazione e di rifiuto sono definite come segue: - + Nell esempio del modello di regressione in cui score1 è variabile esplicativa e score2 variabile dipendente abbiamo che b 1 =0,2177 n=8 t=b 1 /S b1 =12,51>t 6 = 2,45 perciò rigetto l ipotesi che l inclinazione sia nulla a favore dell ipotesi che esista inclinazione significativa. Inferenza sull inclinazione della retta di regressione La significatività dell inclinazione della retta può essere sottoposta a verifica anche ricorrendo al test F:

13 Inferenza sull inclinazione della retta di regressione La regola decisionale è la seguente: Rifiuto H 0 se F > F U con F U valore critico che lascia a destra probabilità pari ad α. Nell esempio del modello di regressione in cui score1 è variabile esplicativa e score2 variabile dipendente abbiamo che F=156,56 > F 1,6 = 5,99 quindi rigetto l ipotesi di inclinazione non significativa. Inferenza sull inclinazione della retta di regressione Un altro modo per verificare la significatività di β 1 è quello di costruire un intervallo di confidenza per il parametro. Se il valore ipotizzato β 1 = 0 è incluso nell intervallo accetto l ipotesi di inclinazione non significativa. Nel nostro esempio abbiamo β 1 = 0,21767 t 6 = 2,45 S b1 = 0,01740 perciò al livello di confidenza del 95% il vero valore di β 1 è compreso nell intervallo [0,17504;0,2603]. Lo zero non cade nell intervallo, perciò rigetto l ipotesi nulla.

14 Stima della previsione Oltre ad ottenere previsioni per i valori di Y (stime puntuali della media di Y) si possono ottenere intervalli di confidenza per la media della variabile risposta: Stima della previsione = +

15 Stima della previsione E possibile ottenere un intervallo di confidenza per la previsione di un singolo valore di Y. La formula è molto simile a quella dell intervallo di confidenza per la media anche se in questo caso si stima un valore e non un parametro: Le trappole dell analisi di regressione Il modello di regressione è una tecnica statistica molto utilizzata. Spesso però viene impiegata in modo non corretto. L analisi grafica molto spesso consente di rilevare eventuali informazioni che le analisi numeriche non evidenziano.

16 Le trappole dell analisi di regressione Ad esempio, a partire da quattro dataset diversi, è possibile ottenere gli stessi risultati in termini di statistiche di regressione pur trattandosi di situazioni molto diverse tra loro. Le trappole dell analisi di regressione Caso A: il modello di regressione lineare semplice sembra appropriato Caso B: sembra più appropriato un modello polinomiale (di secondo grado) Caso C: presenza di un outlier che deve essere eliminato prima di procedere alle stime Caso D: valore anomalo di X di cui si dovrebbe tener conto nella specificazione del modello

17 Le trappole dell analisi di regressione I calcoli della regressione lineare semplice Applicando il metodo dei minimi quadrati per la stima dei coefficienti della retta di regressione si ha:

18 I calcoli della regressione lineare semplice Calcolo delle misure di variabilità: Riepilogo